Mamografik Kitle Sınıfının Makine Öğrenmesi Teknikleri ile Tespiti

Year 2022, Volume: 11 Issue: 1, 164 - 175, 24.03.2022

Ömer Eriş , Seval Bulut Eriş , Mehmet Recep Bozkurt

https://doi.org/10.17798/bitlisfen.1003938

Abstract

Meme Kanseri, dünyada kadınlar arasında ölüme neden olabilen kanser tiplerinin en sık görülenlerinden biridir. Günümüzde meme kanseri teşhisinde farklı görüntüleme yöntemleri kullanılmakla birlikte bu yöntemler zaman zaman gereksiz biyopsiye yönlendirebilmektedir. Bu çalışmada, Makine Öğrenmesi Tekniklerinden, Karar Ağaçları ve Yapay Sinir Ağları yöntemleri kullanılarak mamografik kitlenin sınıfı, hastaya ve kitleye ait özelliklerin değerinden tespit edilmiştir. Karar Ağaçlarında, GINI algoritması kullanılmış ve RapidMiner programından yararlanılmıştır. Yapay Sinir Ağlarında, ileri beslemeli geri yayılımlı ağ modeli MATLAB’de yazılan program aracılığı ile kullanılmıştır. Bu çalışmada kullanılan veri seti, Erlangen-Nuremberg Üniversitesi, Radyoloji Enstitüsü, Jinekolojik Radyoloji bölümünden elde edilen 961 örnekten oluşmaktadır. Her örnek için 5 adet özellik mevcuttur. Bu özellikler, BI-RADS (Meme Görüntüleme Raporlama ve Veri Sistemleri) değerlendirmesi, Yaş, Kitle Şekli, Kitlenin Kenar Boşluğu ve Kitlenin Yoğunluğu bilgilerini içermektedir. Yaklaşımımız, mamografide tespit edilen kitleleri iyi huylu ve kötü huylu olmak üzere iki farklı sınıfa ayırmaktadır. Her iki yöntemin başarı analizleri ve karşılaştırılması, hata matrisindeki değerler kullanılarak doğruluk, duyarlılık, kesinlik, seçicilik ve F-skor değerlerine bakılarak yapılmıştır.

Keywords

GINI Algoritması, Karar Ağaçları, Yapay Sinir Ağları, İleri Beslemeli Geri Yayılımlı Ağ, Mamografi, Hata Matrisi

Detection of Mammographic Mass Class with Machine Learning Techniques

Abstract

Breast cancer is one the most common types of cancers among the women in the world. Today different scanning techniques have been used to diagnose breast cancers but these methods are sometimes directed to unnecessary biopsy. In this study, the class of the mammographic mass was determined from the values of the characteristics of the patient and the mass by using Decision Trees and Artificial Neural Networks methods, which are Machine Learning Techniques. GINI algorithm is used in decision trees and RapidMiner program was used. In Artificial Neural Networks, feed forward back propagation network model is used through the program written in MATLAB. The data set used in this study is consisted of 961 samples obtained at Erlangen-Nuremberg University, Intstitute of Radiology, Department of Ginecological Radiology. There are 5 attributes in each sample. These attributes contain BI-RADS (Breast Imaging Reporting and Data Systems) value, age, mass shape, mass margin and information about mass density. Our approach distinguished the masses contained at mammography into two different groups as benign and malign masses. Success analyzes and comparisons of both methods were made by looking at the values of accuracy, sensitivity, precision, selectivity and F-score using the values in the confusion matrix.

Keywords

GINI Algorithm, Decision Trees, Artificial Neural Networks, Feed Forward Back Propagation Network, Mammography, Confusion Matrix

References

• Hamouda S.K.M., Wahed M.E., Alez R.H.A., Riad K. 2018. Robust breast cancer prediction system based on rough set theory at National Cancer Institute of Egypt. Computer Methods and Programs in Biomedicine, 153: 259-268.
• Elter M., Schulz-Wendtland R., Wittenberg T. 2007. The prediction of breast cancer biopsy outcomes using two CAD approaches that both emphasize an intelligible decision process. Medical physics, 34(11): 4164–4172.
• Killi M.R. 2013. Meme kanserlerinin tanısında ve taramasında ultrasonografi. Türkiye Klinikleri Genel Cerrahi - Özel Konular, 6(2): 7-14.
• Sürücü Ş.U. 2015. BIRADS Sınıflamasına Göre Değerlendirilen Meme Lezyonlu Hastalarda Progresyon Varlığının Araştırılması Ve Risk Faktörleriyle İlişkilendirilmesi. Tıpta Uzmanlık Tezi (Basılmış), Selçuk Üniversitesi, Tıp Fakültesi, Konya, 1-51.
• Fondón I., Sarmientom A., García A., Silvestre M., Eloy C., Polónia A., Aguiar P. 2018. Automatic classification of tissue malignancy for breast carcinoma diagnosis. Computers in Biology and Medicine, 96: 41-51.
• Helwan A., Idoko J., Abiyev R. 2017. Machine learning techniques for classification of breast tissue. Procedia Computer Science, 120: 402-410.
• Vo D.M., Nguyen N., Lee S. 2019. Classification of breast cancer histology images using incremental boosting convolution networks. Information Sciences, 482: 123-138.
• Aydemir E., Karslıoğlu İ. 2021. Akıllı Telefonların İvmeölçer Sensörü Yardımıyla Yürüyüş Deseni Analizi. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi, 21(2): 283-299.
• Pan R., Yang T., Cao J., Lu K., Zhang, Z. 2015. Missing data imputation by K nearest neighbours based on grey relational structure and mutual information. Applied Intelligence, 43: 614-632.
• Altunkaynak A., Başakın E.E. 2020. Dalgacık K-EN yakın komşuluk yöntemi ile hava kirliliği tahmini. Bursa Uludağ Üniversitesi Mühendislik Dergisi, 25(3): 1547-1556.
• Adak M.F., Yurtay N. 2014. Gini algoritmasını kullanarak karar ağacı oluşturmayı sağlayan bir yazılımın geliştirilmesi. Bilişim Teknolojileri Dergisi, 6(3): 1-6.
• Sezer E., Bozkir A., Yagiz S., Gokceoglu C. 2010. Karar ağacı derinliğinin CART algoritmasında kestirim kapasitesine etkisi: bir tünel açma makinesinin ilerleme hızı üzerinde uygulama. Akıllı Sistemlerde Yenilikler ve Uygulamaları Sempozyumu, 21-24 Haziran, Kayseri.
• Zheng H., Chen L., Han X., Zhao X., Ma, Y. 2009. Classification and regression tree (CART) for analysis of soybean yield variability among fields in Northeast China: the importance of phosphorus application rates under drought conditions. Agriculture, Ecosystems & Environment, 132: 98-105.
• Wu X., Kumar V. 2009. The Top Ten Algorithms in Data Mining. Chapman & Hall/CRC, 179-199.
• Ataseven B. 2013. Yapay sinir ağları ile öngörü modellemesi. Öneri Dergisi, 10(39): 101-115.
• Dahamsheh A., Aksoy H. 2009. Kurak bölge aylık yağışlarının Markov zinciri eklenmiş koşullu ileri beslemeli geri yayılım yapay sinir ağları ile tahmini. İTÜ Dergisi Seri D: Mühendislik, 8(6): 37-48.
• Ateş İ., Bilgin T.T. 2021. The Investigation of the Success of Different Machine Learning Methods in Breast Cancer Diagnosis. Konuralp Medical Journal, 13(2), 347-356.
• Brownlee J. 2020. A Gentle Introduction to the Fbeta-Measure for Machine Learning. https://machinelearningmastery.com/fbeta-measure-for-machine-learning/. (Erişim Tarihi: 02.10.2021).
• Polat K., Güneş S. 2007. Breast cancer diagnosis using least square support vector machine. Digital Signal Processing, 17(4): 694-701.
• Akay M.F. 2009. Support vector machines combined with feature selection for breast cancer diagnosis. Expert Systems with Applications, 36(2): 3240-3247.
• Mert A., Kılıç N., Bilgili E., Akan A. 2015. Breast Cancer Detection with Reduced Feature Set. Computational and Mathematical Methods in Medicine, 2015.
• Asri H., Mousannif H., Moatassime H.A., Noel T. 2016. Using Machine Learning Algorithms for Breast Cancer Risk Prediction and Diagnosis. Procedia Computer Science, 83: 1064-1069.
• Milosevic M., Jankovic D., Peulic A. 2015. Comparative analysis of breast cancer detection in mammograms and thermograms. Biomed Tech (Berl), 60(1):49-56.